遗传算法概括

遗传算法解析：
    遗传算法为最优化算法，可以解决单目标、多目标、帕雷托等问题。
    遗传算法流程：
        1、编码
            选取特定编码方式对个体基因型编码。
        2、初始化种群
            随机生成n个个体组成的种群
        3、计算适应度
            选取适应度函数（一般为目标函数），求种群中个体的适应度值
        4、选择
            选择适应度值高的个体，遗传到下一代。选择方法一般为轮盘赌，轮盘赌为几何概率模型，
            其特点在于其选择概率与适应度大小成正比。
        5、交叉
            对个体进行随机配对，进行基因互换。
        6、变异
            为保持种群个体的多样性，随机选择一个个体，随机选择一个位置进行变异。
        7、得到第二代种群，重复上述操作。适应度值在不断提升，目标函数趋于最优解。

 

多 目 标 优 化 问 题

多 目 标 优 化 问 题 (MOP, multiobjecitveoptimization problem) 是指含有 2 个或 2 个以上目标函数的优化问题。当目标数多于 3 个时，MOP也常被称作超多目标优化问题。由于多个目标之间通常不协调甚至存在矛盾，MOP 最优解不是单个解而是一个解集。法国经济学家 V. Pareto 最早在经济福利理论研究中提出了多目标优化问题，并引入了 Pareto 最优的概念，因此这个最优解集也被称作 Pareto 最优解集[15] 。对于现实问题，求出Pareto 最优解集的解析表达式是一件极其困难的事情，因此决策者更偏向于获取 Pareto 最优解集的一个逼近，即要求所得解尽可能分布均匀和尽可能靠近 Pareto 最优解集[16] 。